[发明专利]一种在线的风电场短期风速混合预测方法

说明书

技术领域

本发明属于风力发电技术领域，特别涉及一种基于统计学理论的风电场短期风速预测方法。

背景技术

一直以来，风力发电技术具有广阔的应用前景。

风力发电是解决当前突出的能源和环境问题的有效手段，因而得到了普遍重视和大规模开发利用，然而风资源具有多变的特性，当风电穿透功率超过一定值时，必然会严重影响电能质量和电力系统的安全运行。

由于风能具有很强的随机性，风电穿透功率超过一定值之后，会严重影响电网电能质量和电力系统的运行。中国电力科学研究院在这方面进行了大量的研究工作并指出，在一般情况下，在风电穿透功率不超过8％时，我国电网不会出现较大的技术问题。但是，当风电穿透功率超过一定值之后，有可能对电能质量和电力系统的运行产生影响，并且会危及常规发电方式。美国电力市场规则指出，若短期风速预测的准确率10％以内，将能提高发电量30～100MW，并获得10万美元的利润。准确预测风电场风速有利于电力系统调度部门及时调整调度，从而可有效的减轻风电对电网的影响，为风电场参与发电竞价奠定基础。

因此，准确地预测风电场风速对于风电场的规划设计、大型风场中风电机组开停机计划的安排、保持电网的安全稳定性、提高经济效益和社会效益都有很重要的意义。

当前，迫切需要研究出一种预测精度高的风电场短期风速预测方法，可以实现对风场的风速进行高精度预测。

发明内容

本发明的目的是解决目前尚无准确预测风电场短期风速的有效方法的问题，提供一种在线修正的风电场短期风速混合预测方法。

本发明提供的在线修正的风电场短期风速混合预测方法，包括：

数据预处理，用于接收来自风速传感器的信号，对风速信号进行预处理后。按时间顺序将信号存储，作为预测模型的训练样本序列。建立风速历史序列数据库并实时更新数据库；

小波分解，用于将预处理后的风速序列信号分解成高频信号和低频信号两部分，高频成份进行时间序列预测，低频成份进行支持向量机预测；

时间序列预测，用于接收小波分解处理后所发送的高频信号，学习该信号并给出下一时刻的预测结果；

支持向量机预测，用于接收小波分解处理后所发送的低频信号，学习该信号并给出下一时刻的预测结果；

小波重构，用于重构来自时间序列预测给出的预测结果和支持向量机预测给出的预测结果，得出风速预测值。

所述的时间序列预测的具体过程是：

首先接收小波分解处理后所发送的高频信号，并将信号加以整理，作为时间序列预测方法的训练样本；其次将非平稳的训练样本序列平稳化，再对平稳化的训练样本施行季节性差分变换；选定近似的数学模式来代表它们，用时间序列求出平稳化变换和季节性差分变换的数学模型中的诸未知参数，然后计算出未来的时间序列的预测值。

所述的支持向量机预测的具体过程是：

首先接收小波分解处理后所发送的低频信号，并将信号加以整理，作为支持向量机预测方法的训练样本；其次引入决策函数将训练样本序列变换到一个高维空间，然后再在这个空间中求最优分类面；根据样本序列求出决策函数中的诸未知参数；然后计算出预测值。

本发明的优点和有益效果：

该方法可以高精度预测风电场风速，并通过数据预处理模块实现在线预测风速，在风电场风电功率预测和风力发电机组实施捕获最大风能的研究中，应用前景广阔，具有重大的生产实践意义。

附图说明

图1是在线修正的风电场短期风速混合预测方法结构示意图；

图2是数据预处理模块实现风速数据的实时更新示意图；

图3是基于时间序列预测方法的结构示意图；

图4是基于支持向量机预测方法的结构示意图。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和实施方式对本发明作进一步的详细说明。

具体实施方式

图1是本发明提供的在线修正的风电场短期风速混合预测方法结构示意图。

该预测方法包括，风速时间序列101、数据预处理102、小波分解103、时间序列预测104、支持向量机105、小波重构106、风速预测结果107。实施步骤为：

(1).风速时间序列101，用于表示由风速传感器采集得到的风速数据。

(2).数据预处理102，用于接收来自传感器的风速信号，对风速信号进行预处理后将信号以时间顺序存储，建立风速历史序列数据库并实时更新数据库；